一种适配边缘算力受限设备的轻量化人员越线检测方法及装置与流程

本发明涉及计算机视觉与边缘计算，具体而言，涉及一种适配边缘算力受限设备的轻量化人员越线检测方法及装置。

背景技术：

1、随着计算机视觉与智能安防技术的快速发展，人员越线检测（或越界检测）已成为视频监控、园区安防、交通路口及工业安全生产等场景中的核心基础功能。目前，实现人员越线检测的技术路线主要分为云端集中式处理、边缘端模型部署以及传统计算机视觉算法三大类，但现有技术在实际应用中均存在不同程度的技术缺陷与瓶颈。

2、第一类为云端集中式人员越线检测方案（例如公开号为cn112927306a的专利文献所公开的方案）。该方案作为传统安防视频分析的主流实现方式，主要依赖前端采集设备将全量视频流通过公网或专网上传至云端算力节点，由云端部署的大型深度学习目标检测模型（如fasterr-cnn、yolov5x等）完成人员目标识别与越线行为判定。然而，该方案存在端到端延迟高、数据安全性弱的技术问题。具体而言，视频流的上行传输高度依赖网络链路，即使在稳定场景下，端到端检测延迟通常也高于200ms；当出现网络波动或带宽不足时，极易出现检测帧丢失、推理中断等现象。此外，原始视频数据跨设备、跨网络传输，存在较高的数据泄露风险。

3、第二类为边缘端重载模型直接部署方案（如基于yolov5-lite等开源模型的边缘部署工程）。该方案将通用目标检测模型经过简单的量化压缩后，直接部署于边缘ipc（网络摄像机）、边缘网关等端侧设备，在本地完成视频推理与越线检测。然而，该方案存在算力适配性差、并发能力不足的技术瓶颈。通用目标检测模型通常参数量大、浮点计算量高，在arm架构或npu算力受限（例如算力≤1tops）的边缘设备上，单路1080p视频的推理帧率通常低于10fps，且内存占用极易超过设备的可用阈值，导致无法支持多路视频流的并发检测，难以满足实时监控的帧率要求。

4、第三类为传统计算机视觉越线检测方案。该方案常见于早期低算力嵌入式监控设备，主要基于背景差分法、帧间差分法、光流法等人工设计的底层图像特征来提取运动目标，再结合预设的警戒线坐标完成越线行为判断。然而，该方案存在检测鲁棒性差、泛化能力不足的技术问题。由于过度依赖人工设计的底层像素特征，其对光照突变、目标部分遮挡、人员姿态变化以及背景动态干扰（如树木晃动、光影移动）等复杂场景的适应性较差，导致误检率与漏检率通常高于15%，无法适配复杂的室外或半室外监控场景。

5、此外，在边缘端越线判定的具体实现上，现有的部分边缘端检测方案（如公开号为cn111738203b的专利文献）仍存在明显的架构与算法局限。在硬件架构层面，现有方案多依赖通用cpu进行处理，缺乏专用的vpu（视频处理单元）硬件编解码加速与零拷贝数据传输机制，不仅cpu算力不足以支撑多路并发，且多次内存复制导致端到端处理延迟较高；在算法逻辑层面，现有方案多采用单帧图像判定逻辑，缺乏多帧轨迹校验机制与多路并发优化。当摄像机发生轻微移位或目标检测框因行人姿态变化产生抖动时，单帧判定逻辑极易产生大量误报；且在人员密集、频繁遮挡的场景下，由于缺乏跨帧的目标身份维持能力，容易出现目标身份丢失，导致越线漏检。

6、综上所述，如何在边缘算力受限的硬件条件下，克服云端方案的高延迟与安全风险、重载模型的高算力消耗、传统视觉方案的低鲁棒性，并解决现有边缘端方案中因缺乏硬件级零拷贝加速、单帧判定带来的高误报与遮挡漏检问题，实现低延迟、高并发、高鲁棒性的实时人员越线检测，是本领域技术人员亟待解决的技术难题。

技术实现思路

1、本发明的目的在于解决现有越线检测技术因依赖云端传输或边缘重载模型导致的高延迟与算力并发瓶颈，以及因传统单帧几何判定对目标遮挡与姿态变化敏感引发的误报漏报率高，难以在边缘受限设备上实现高鲁棒性实时越线检测的技术问题。

2、为了实现上述目的本发明采用以下技术手段：

3、本发明提供了一种基于边缘端轻量化模型的实时人员越线检测方法，，包括以下步骤：

4、步骤s1：视频流获取：通过边缘计算设备连接的摄像头采集场景视频流，利用所述边缘计算设备的硬件解码单元对所述场景视频流进行解码，获取连续的单帧数字图像；

5、步骤s2：行人检测：将每帧所述单帧数字图像输入轻量化目标检测模型进行前向推理，输出当前帧中所有目标人员的边界框坐标及置信度；

6、步骤s3：多目标跟踪：基于步骤s2输出的当前帧的边界框集合，与前一帧中已跟踪的目标人员进行数据关联，为每个目标人员分配并维持唯一身份标识id，输出带有所述唯一身份标识id的目标人员边界框序列；通过多目标跟踪对行人进行跨帧稳定关联，在短暂遮挡或检测间断后仍能保持同一行人的身份连续性，避免了因单帧漏检导致的越线漏判；

7、步骤s4：越线判断点计算：针对步骤s3输出的每个带有所述唯一身份标识id的目标人员边界框，按照以下公式计算该目标人员边界框的越线判断点p的坐标坐标：

8、

9、其中，和为所述目标人员边界框的左上角坐标，width和height为所述目标人员边界框的宽度和高度，k为预设的高度比例经验系数；

10、步骤s5：越线判定：利用步骤s3得到的目标人员边界框序列维护跨帧历史轨迹，基于相邻帧中具有同一所述唯一身份标识id的目标人员的越线判断点的几何关系进行越线判定，具体包括：

11、计算相邻帧的越线判断点和相对于预设检测线的端点和端点的位置符号，通过向量叉积cross1与cross2判断所述越线判断点和是否分布在所述预设检测线两侧；

12、当所述向量叉积cross1与cross2异号时，进一步判断线段与线段ab是否实际相交，若满足分布在所述预设检测线两侧的条件及线段相交条件，则进一步计算当前帧的所述越线判断点至所述预设检测线的垂直距离，当所述垂直距离大于当前帧所述目标人员边界框宽度的0.2倍时，才最终判定所述目标人员本次发生了越线事件；

13、步骤s6：告警与结果输出：当步骤s5判定的所述越线事件成立时，触发告警并记录所述越线事件，同时对发生所述越线事件的目标人员的所述唯一身份标识id启动抑制期，在所述抑制期内不对同一所述唯一身份标识id重复触发告警。

14、上述方案中，步骤s1包括：

15、步骤s1.1，通过监控摄像头持续采集场景视频流；

16、步骤s1.2，利用所述边缘计算设备内置的硬件视频处理单元vpu对所述视频流解码，逐一获取连续的单帧数字图像，图像格式为rgb或yuv，输出为硬件缓冲区格式的图像数据；

17、步骤s1.3：将所述硬件缓冲区格式的图像数据通过零拷贝方式直接传输至神经网络处理器npu的输入内存，获取用于推理的所述单帧数字图像，以消除cpu内存拷贝带来的延迟与带宽占用。

18、上述方案中，所述步骤s2具体包括以下子步骤：

19、步骤s2.1：将每帧所述单帧数字图像输入预先训练并部署的所述目标检测模型进行推理，所述目标检测模型为轻量化yolo目标检测网络，且所述推理过程在所述边缘计算设备的图形处理器gpu或神经网络处理器npu中采用int8整型量化或fp16半精度执行加速，以降低单次推理的算力消耗并满足边缘端算力受限环境下的实时性要求；

20、步骤s2.2：通过所述目标检测模型输出当前帧中检测到的每个目标人员的边界框参数以及置信度分数，所述边界框参数表示为或；其中，表示边界框左边缘的横坐标，表示边界框上边缘的纵坐标，表示边界框的宽度，表示边界框的高度，表示边界框右边缘的横坐标，表示边界框下边缘的纵坐标；

21、步骤s2.3：根据预设置信度阈值对所述置信度分数进行过滤，仅保留所述置信度分数高于所述预设置信度阈值且类别为所述目标人员的边界框参数，得到所述当前帧中所有目标人员的边界框坐标及置信度。

22、上述方案中，所述步骤s3包括：

23、步骤s3.1：对每个已跟踪的目标人员，利用卡尔曼滤波器预测其在当前帧的边界框位置，得到预测的边界框，所述卡尔曼滤波器的状态向量表示为：

24、

25、其中，表示边界框中心横坐标，表示边界框中心纵坐标，表示边界框宽高比，表示边界框高度，表示中心横坐标变化速度，表示中心纵坐标变化速度，表示宽高比变化速度，表示高度变化速度；

26、步骤s3.2：对步骤s2输出的当前帧的边界框与预测的边界框进行相似度计算，所述相似度计算包括基于马氏距离的运动匹配度，以及基于深度外观特征计算的余弦距离的外观匹配度；

27、步骤s3.3：通过匈牙利算法进行二分图最优匹配，完成当前帧的边界框与已跟踪的目标人员的关联；

28、步骤s3.4：对未匹配的边界框初始化新的跟踪轨迹并分配新的唯一身份标识id，对长时间未匹配的已跟踪的目标人员予以删除，输出带有所述唯一身份标识id的目标人员边界框序列；

29、步骤s3.5：当目标人员因遮挡在当前帧未获得匹配的边界框时，利用所述卡尔曼滤波器预测的边界框位置维持所述目标人员的跟踪轨迹，并继续保留所述唯一身份标识id，以保证跨帧身份连续性，克服遮挡导致的跟踪丢失与越线漏报。

30、上述方案中，所述步骤s4：越线判断点计算，具体包括以下子步骤：

31、步骤s4.1：针对步骤s3输出的每个带有所述唯一身份标识id的目标人员边界框，获取所述目标人员边界框的左上角坐标以及宽度和高度；

32、步骤s4.2：按照以下公式计算所述目标人员边界框的越线判断点p的坐标：

33、

34、

35、其中，0.7为高度比例系数，用于使所述越线判断点p贴近所述目标人员的腿部与地面的接触位置，以消除因目标人员躯干晃动或手臂摆动引起的边界框形变与中心点跳动，克服姿态变化导致的越线误报；

36、所述越线判断点p被视为所述目标人员站立位置在图像平面上的近似投影点。

37、选择行人边界框的宽度中点和高度的0.7作为越线判断点，而非框中心点作为越线位置参考，该点更贴近行人腿部与地面的接触位置，对躯干晃动、手臂摆动等姿态变化极不敏感，位置抖动远小于框形心，从而大幅降低因检测框形变引起的越线误报。两者结合，使得越线判断兼具对遮挡场景的高召回和对复杂姿态的高精确性，整体提升了系统的实用性能。

38、上述方案中，所述步骤s5：越线判定，具体包括以下子步骤：

39、步骤s5.1：在内存中为每个具有所述唯一身份标识id的目标人员维护一个定长的越线判断点历史队列，每当计算出新的越线判断点后将其加入对应的所述越线判断点历史队列；

40、若当前帧所述目标人员未获得边界框，则根据步骤s3中卡尔曼滤波器预测的边界框位置，重新按照步骤s4的公式计算并补充越线判断点，或维持上一帧位置，以保证轨迹连续性；

41、步骤s5.2：预先在图像坐标系中设定至少一条所述预设检测线，每条所述预设检测线由两个端点a和端点b定义，并附带方向属性；

42、步骤s5.3：针对每一被追踪的具有所述唯一身份标识id的目标人员，读取当前帧的越线判断点和上一帧的越线判断点，计算所述越线判断点和相对于所述预设检测线的位置符号，利用以下向量叉积公式进行两侧判断：

43、

44、

45、其中，和分别为所述越线判断点和相对于所述预设检测线的向量叉积值，和分别为所述端点a的横坐标和纵坐标，和分别为所述端点b的横坐标和纵坐标，和分别为所述越线判断点的横坐标和纵坐标，和分别为所述越线判断点的横坐标和纵坐标；若与异号，则表明所述越线判断点和分布在所述预设检测线两侧；

46、步骤s5.4：当cross1与cross2异号时，进一步通过快速排斥实验与跨立实验判断线段与线段ab是否实际相交，以排除所述越线判断点位于所述预设检测线延长线上的虚警情况；若同时满足分布在所述预设检测线两侧的条件及线段相交条件，则执行越线防抖判定：计算当前帧的越线判断点pt在由所述端点a和端点b确定的直线上的投影点，并计算所述越线判断点pt与所述投影点之间的距离作为越线垂直距离；当所述越线垂直距离大于当前帧所述目标人员边界框宽度的0.2倍时，判定满足防抖距离要求，此时才最终判定所述目标人员本次发生了越线事件，通过所述两侧判断、相交判断以及自适应尺寸的防抖距离验证的双重或多重验证逻辑提高越线判定的精确性与鲁棒性。

47、上述方案中，所述步骤s6：告警与结果输出，具体包括以下子步骤：

48、步骤s6.1：根据所述向量叉积cross1到cross2的符号变化方向，结合所述预设检测线的线段方向属性，确定所述目标人员的越线方向；其中，所述线段方向属性为由所述端点a指向所述端点b的向量方向确定的属性；

49、步骤s6.2：当所述越线事件成立时，记录所述越线事件并触发告警；

50、若具有同一所述唯一身份标识id的所述目标人员在当前帧内跨越多条所述预设检测线，则将所述越线事件合并为单个事件进行上报；

51、步骤s6.3：对发生所述越线事件的所述目标人员的所述唯一身份标识id启动预设时长的抑制期，在所述抑制期内不对同一所述唯一身份标识id重复触发告警，以阻断因单帧画面抖动或光影干扰造成的连续多次误报。

52、上述方案中，所述方法应用于包含多个系统级芯片soc的边缘计算设备，所述方法还包括多路视频并发处理步骤： 将多路场景视频流动态绑定并分配至所述边缘计算设备中不同的独立soc算力核心； 各所述独立soc算力核心并行执行所述步骤s1至步骤s6的流水线处理，使得各视频流的解码、推理与跟踪算力互不抢占，实现边缘端算力受限环境下的多路高帧率实时并发检测。

53、本发明还提供了一种基于边缘端轻量化模型的实时人员越线检测模块，包括：

54、视频流获取模块：通过边缘计算设备连接的摄像头采集场景视频流，对所述场景视频流进行解码，获取连续的单帧数字图像；

55、行人检测模块：将每帧所述单帧数字图像输入轻量化目标检测模型进行前向推理，输出当前帧中所有目标人员的边界框坐标及置信度；

56、多目标跟踪模块：基于行人检测模块输出的当前帧的边界框集合，与前一帧中已跟踪的目标人员进行数据关联，为每个目标人员分配并维持唯一身份标识id，输出带有所述唯一身份标识id的目标人员边界框序列；

57、越线判断点计算模块：针对多目标跟踪模块输出的每个带有所述唯一身份标识id的目标人员边界框，按照以下公式计算该目标人员边界框的越线判断点p的坐标坐标：

58、

59、其中，和为所述目标人员边界框的左上角坐标，width和height为所述目标人员边界框的宽度和高度，k为预设的高度比例经验系数；

60、越线判定模块：利用多目标跟踪模块得到的目标人员边界框序列维护跨帧历史轨迹，基于相邻帧中具有同一所述唯一身份标识id的目标人员的越线判断点的几何关系进行越线判定，具体包括：

61、计算相邻帧的越线判断点和相对于预设检测线的端点和端点的位置符号，通过向量叉积cross1与cross2判断所述越线判断点和是否分布在所述预设检测线两侧；

62、当所述向量叉积cross1与cross2异号时，进一步判断线段与线段ab是否实际相交，若满足分布在所述预设检测线两侧的条件及线段相交条件，则进一步计算当前帧的所述越线判断点至所述预设检测线的垂直距离，当所述垂直距离大于当前帧所述目标人员边界框宽度的0.2倍时，才最终判定所述目标人员本次发生了越线事件；

63、告警与结果输出模块：当越线判定模块判定的所述越线事件成立时，触发告警并记录所述越线事件，同时对发生所述越线事件的目标人员的所述唯一身份标识id启动抑制期，在所述抑制期内不对同一所述唯一身份标识id重复触发告警。

64、本发明还提供了一种存储介质，处理器执行存储介质中的程序时，实现所述的方法。

65、因为本发明采用上述技术手段，因此具备以下有益效果：

66、1.通过结合yolo目标检测与多目标跟踪（步骤s2与步骤s3），解决了因遮挡或检测间断导致目标身份丢失的问题，达到了在复杂遮挡场景下仍能保持行人连续追踪、显著降低越线漏检率的效果。

67、2.通过采用行人边界框的宽度中点和高度的0.7作为越线判断点（步骤s4），并基于该稳定点的轨迹进行几何判定，该设计成功解决了传统方法利用边界框中心点或角点时，因行人姿态变化、躯干晃动、手臂摆动导致边界框形变和形心不规则跳动，进而引发频繁误报的技术痛点。由于点紧贴地面稳定点，其位置抖动幅度远小于传统框形心，从而在确保对遮挡场景具备高召回率的同时，极大提升了对复杂姿态的检测精确性。

68、3.通过向量叉积判断两点异侧符号与快速排斥实验及跨立实验判断线段相交条件组合的双重验证逻辑（步骤s5），避免了仅靠单点与直线位置关系导致的误判（如目标沿检测线平行移动或越线判断点位于预设检测线延长线上时产生的虚警），进一步提高了越线事件判定的精确性和鲁棒性。

69、4.通过基于边缘端轻量化模型的端到端模块化设计（步骤s1至步骤s6），仅依靠单目rgb摄像头与边缘计算硬件，无需深度传感器或额外参照物，便于在现有安防系统上软件升级部署，且全程处理速度可稳定达到25~30fps，满足实时视频流分析要求。

70、5.本发明创造性地将“yolo目标检测与多目标跟踪（步骤s2、s3）”与“基于边界框宽度中点和高度的0.7的越线判断点越线判定（步骤s4、s5）”进行协同组合，解决了传统越线检测中“维持身份连续性”与“稳定参考点提取”两个需求难以同时兼顾的技术矛盾。多目标跟踪算法保证了短暂遮挡或检测间断后行人的唯一身份标识id不变，为越线判定提供了跨帧关联的同一目标历史轨迹；而宽度中点和高度的0.7越线判断点（贴近腿部与地面接触位置）则为判定提供了对姿态鲁棒的足部位置。两者协同作用，使得系统在面对行人并排、交汇、遮挡等复杂场景时，既能精准区分不同行人，又能准确判断每个人的越线行为，并结合告警抑制期（步骤s6）防止重复触发，整体性能远超单一技术的简单叠加，产生了协同增效效果。

71、6. 本发明在边缘端算力受限环境下，如何实现多路高帧率实时人员越线检测，同时克服遮挡导致的漏报和姿态变化导致的误报的详细说明如下：

72、在边缘端算力受限的客观条件下，若采用高精度重载模型虽能提升检测鲁棒性，但会导致帧率骤降且无法多路并发；若采用轻量化模型虽能满足实时性，但极易在遮挡场景下丢失目标导致漏报，且对姿态变化敏感导致误报。

73、首先，本发明前端通过内置硬件解码器输出内存缓冲区并零拷贝传输至神经网络处理器，结合多路视频流动态分配至多个独立算力核心，在不增加核心推理算力的前提下消除了内存搬运瓶颈。这一手段为系统争取了极高的数据流转帧率与多路并发能力，从而为中端和后端算法提供了高时间分辨率的轨迹数据基础与充足的处理器处理余量。

74、其次，中端多目标跟踪算法充分利用前端提供的高帧率数据，通过卡尔曼滤波预测与二分图最优匹配，在轻量化目标检测模型因遮挡导致单帧未获得边界框时，依然能根据预测位置补充越线判断点，维持目标唯一身份标识与轨迹连续性。该手段有效弥补了轻量化模型召回率不足的缺陷，从时序维度解决了漏报问题。

75、最后，后端越线判定模块利用中端输出的连续跨帧历史轨迹，摒弃了易受上半身姿态干扰的边界框中心点，采用边界框宽度中点与高度乘以0.7经验系数处的点作为越线判断点，使其锚定行人腿部与地面的接触位置；同时结合向量叉积判断两侧与快速排斥及跨立实验判断线段相交的双重几何验证，并辅以告警抑制期。这一机制无需依赖高算力的深度传感器或复杂的姿态估计网络，仅凭二维图像坐标即可彻底滤除因边界框抖动和预设检测线延长线引起的虚警，从空间维度解决了误报问题。

76、7. 新增自适应尺寸的越线防抖判定效果：本发明在通过几何逻辑判定线段相交后，并未立刻触发告警，而是创造性地引入了基于目标人员边界框宽度的动态距离防抖机制。通过计算越线后点在线上的投影并求解垂直距离，确保只有当越线距离大于物体检测框宽度的0.2倍时才确认越线。这一机制有效解决了目标人员在警戒线附近徘徊、驻足或因边缘端轻量化模型检测框微小抖动导致的“在画线区域来回跳跃、反复触发告警”的技术问题，极大消除了伪越界虚警，提升了实际工况下的告警准确率。

77、8. 本发明整体方案相较于传统的“目标检测+多目标追踪+底部点越线方法”，构建了从“稳定点位提取”到“多维几何校验”的全流程防抖过滤机制，显著降低了越线误报率并提升了检测准确率，且该技术优势已通过针对性的内部对比测试实验得到证实。

78、传统底部点越线方法通常直接提取行人检测框的底边中点作为越线参考，在实际工况中，该底部点极易受到行人步伐迈开、脚部局部晃动或轻量化模型边界框边缘微小抖动的影响，导致参考点在警戒线两侧频繁跳跃而引发连续密集的虚警。

79、与之相比，本发明的有益效果在于并未盲目选取框底部中点，而是通过以下串联的多重防抖机制实现了效果的阶跃式提升：

80、空间点位防抖：摒弃易抖动的框底中点，改用对复杂姿态和躯干晃动极不敏感的0.7高度比例经验系数点 ，使其锚定于腿部与地面的稳定近似投影处，从源头上削减了框体形变带来的点位跳动。

81、轨迹几何防抖：在跨帧轨迹判定中，本发明不仅利用向量叉积进行两点异侧符号的初步筛选，还进一步组合了快速排斥实验与跨立实验进行线段实际相交校验，彻底排除了目标沿检测线平行移动或越线点位于预设检测线延长线上时产生的虚警情况。

82、尺寸自适应距离防抖：在几何相交条件满足后，创造性地增加了自适应尺寸的越线防抖判定，计算垂直距离并严格验证其是否大于当前目标框宽度的0.2倍，确立了足够的安全过滤空间，彻底阻断了目标在警戒线附近徘徊、驻足时的来回跳跃伪告警。

83、研发团队针对上述整套防抖机制进行了实际场景下的简易内部对比测试，实验结果表明：在保障常规越线行为高检出率、高准确率的前提下，本方案针对各类复杂姿态及临界徘徊干扰，相较于传统的底部点越线方法，误报率实现了大幅降低（内部测试中干扰误报次数降低了约88%），完美解决了边缘端轻量化算法在实际工况中因虚警频发而难以工程化落地的技术痛点，协同增效效果显著。

84、为了验证本方案在实际场景中的有效性，研发团队在办公区通道及出入口场景下进行了针对性的内部对比测试，将本发明的整体算法与传统方法进行了全面比对。

85、1. 测试条件与方法

86、测试环境：办公区监控摄像头下（分辨率 1080p，帧率 25fps），划定单条虚拟越线。

87、测试样本：收集了包含不同行人的典型测试视频片段，共计包含 100次 行人越线/临界行为。

88、行为分类：

89、正常行走越线：60次（用于测试基础检出率与召回率）。

90、干扰行为：40次（行人在线附近驻足、转身、挥手、弯腰提包等，用于测试防抖机制对误报的过滤能力）。

91、对比方法：将本方案（包含0.7高度点、几何叉积与跨立校验、0.2倍框宽防抖的整体算法）与传统方法（基于目标检测+追踪+底边中点判定法）在相同视频源下进行整体性能对比。

92、2. 测试数据记录

93、在上述内部测试样本下，两者的实际表现数据如下表所示：

94、

测试行为类型

行为总次数

传统方法(检测+追踪+底边中点)

本方案(全流程防抖整体算法)

整体改善效果

正常行走越线(应告警)

60 次

成功触发 58次

成功触发59次

基础检出率稳中有升，有效减少漏报

临界干扰行为(不应告警)

40 次

误报 18 次

误报 2 次

整体干扰误报次数降低了约 88%

95、3. 测试结论

96、内部测试结果表明，本发明整体算法的架构设计在实际应用中显著优于传统方法：

97、在正常通行情况下，本方案整体算法得益于跨帧历史轨迹的平滑维护，能够保持更加稳定、高水平的检测率。

98、在行人驻足、转身、肢体晃动等各类临界干扰情况下，传统底边中点方法由于缺乏深度防抖约束，极易受到步伐迈开和框体形变的影响，产生了高达 18次 的虚警（误报率达45%）；而本方案通过“空间点位锚定 + 跨帧几何校验 + 自适应尺寸过滤”的整套防抖机制协同作用，成功将误报次数降至 2次（误报率降至 5%），使整体干扰误报次数降低了约88%。

99、实验有力地证实了本发明整体方案在极低的代码与计算复杂度增加下，实现了准确率的跃升与误报率的大幅下降，整体综合性能远超传统方法的简单叠加，完全达到了预期的工程化落地效果。